基于改进数学形态谱的齿轮箱轴承故障特征提取.docVIP

基于改进数学形态谱的齿轮箱轴承故障特征提取 　　摘要： 特征提取是实现故障模式识别的关键环节。针对传统数学形态谱在计算速度及故障模式区分能力上的不足，将数学形态腐蚀运算引入到形态谱计算中，提出一种基于改进数学形态谱的特征提取方法，该方法可以表征信号不同分析尺度下的形态特征，进而区分信号所反映的运行状态。引入仿真信号对该方法的有效性进行对比验证，结果表明：与传统数学形态谱相比，改进的数学形态谱可以有效地区分机械设备的不同故障状态，稳定性强、计算速度更快。在此基础上对不同参数的影响效果进行了分析。最后，采用实测滚动轴承振动信号验证了该方法在实际工程应用中的有效性。 　　关键词： 故障诊断； 齿轮箱； 滚动轴承； 特征提取； 数学形态谱 　　中图分类号： TH165+.3； TH133.33 文献标志码： A 文章编号：2015）05-0831-08 　　- 　　引 言 　　齿轮箱是机械设备中一种必不可少的连接和传递动力的通用零部件，广泛应用于航空、电力、农业、运输等领域，滚动轴承是齿轮箱这一旋转机械的基本组成部件，在正常工作条件下，由于受到载荷、安装、润滑条件等因素的影响，滚动轴承难免会发生各种类型的失效，直接影响到与之相关联的轴以及安装在转轴上的齿轮的运行状态，甚至会降低整台机器设备的性能，据不完全统计，旋转机械故障中有30%是由滚动轴承引起的[1]。因此，轴承故障的监测与诊断一直是机械故障诊断领域中的研究热点。 　　滚动轴承振动信号具有典型的非平稳、非线性特征，如何从振动信号中提取出全面准确反映轴承运行状态的故障特征至关重要[2]，较为常用的方法包括时域特征特征提取法[34]、频域特征提取法[5]以及时频域特征提取法[6]等。随着研究的不断深入，EMD分解[7]、信息熵[89]、形态分形[10]等理论也被引入到该领域，取得了一些理想的效果。 　　数学形态颗粒分析是一种以数学形态学为基础的多尺度分析方法，可以描述信号在不同尺度下的形状变化信息，易于从不同层次“剖析”信号的本质[1112]，广泛应用于图像形状和纹理特征描述、图像分割、图像复原和图像降噪等领域[1314]，在机械信号的故障特征提取方面也有一些研究[15]，本文以数学形态颗粒分析为理论基础，针对数学形态谱在计算速度及状态区分上的不足，将形态腐蚀运算引入到形态谱计算中，提出一种基于改进数学形态谱的特征提取方法。构造仿真信号，对比验证该方法的优越性，并对参数选取进行了分析。最后，以实测滚动轴承振动信号验证该方法在实际工程应用中的有效性。 　　1 数学形态谱相关理论〖2〗1.1 数学形态颗粒分析 数学形态颗粒分析（Mathematical Morphology Particle Analysis）是一种有效处理图像粒度和形状特征的方法，主要思想是利用不同尺寸和形状的结构元素处理图像，认识并分析其内部特征。 　　3.1 有效性对比验证 　　采用改进的数学形态谱方法分析仿真信号，单位结构元素选择扁平型结构元素g=[0 0 0]，最大分析尺度为λmax=20，计算其IPS曲线，结果如图3（a）所示，其中IPS1IPS3分别对应fm=80，160，240 Hz时的改进数学形态谱曲线。可以看出，3条曲线均随分析尺度的增大呈现单调递减趋势，在分析尺度范围内具有良好的区分度，曲线位置由高到低分别为IPS3，IPS2，IPS1。图3（b）用柱状图定量描述了3条曲线之间的差值序列，显然，在分析尺度范围内，两组差值序列均为负值，稳定性较好。通过以上分析，改进的数学形态谱对于不同调制频率的振动信号具有良好的区分能力。 　　为了进行对比，采用传统的数学形态谱按方法分析仿真信号，单位结构元素与最大分析尺度均保持不变，3个仿真信号的PS曲线如图4（a）所示，其中PS1PS3分别对应fm=80，160，240 Hz时的数学形态谱曲线。与图3（a）对比可以看出，随着分析尺度的增大，3条PS曲线并没有一致的变化趋势，而且呈现出上下波动，区分度较差。从图4（b）所定量描述的曲线差值序列也可以看出，两组差值并非同号，从而说明传统的数学形态谱曲线并不能区分具有不同调制频率的振动信号。 　　表1列出了两种算法所耗用的CPU时间。试验所采用的计算机配置为Intel Core i52400 CPU@3.10 Hz，内存为4GB，计算机软件为Matlab R2010b。可以看出改进的数学形态谱计算方法耗时短，略低于传统方法的1/2，这是因为在传统方法中，每进行一次形态开运算，均要执行一次形态腐蚀和形态操作，而改进的方法只需执行一次形态腐蚀操作，因此耗时大大降低，更适合应用于在线诊断领域。 　　综上所述，与传统的数学形态谱分析方法相比，本文提出的改进的数学形态谱方法对